- MySales генерує прогнози на шести ієрархічних рівнях — від загальної мережі до окремих комбінацій SKU-магазин — обробляючи терабайти даних для великих ритейлерів.
- Система автоматично очищує історичні продажі, виокремлює фактори впливу (ціна, акції, погода, макропоказники) та обирає модель із найкращою точністю без ручного втручання.
- Спеціалізовані алгоритми обробляють нові товари та розширення дистрибуції, забезпечуючи точні прогнози навіть за відсутності або обмеженості історичних даних.
- Вбудований розрахунок страхового запасу, короткострокове коригування прогнозу та моделювання акційного приросту формують повний, готовий до замовлення результат за один цикл роботи конвеєра.
Огляд
MySales побудований на математично строгому механізмі прогнозування, валідованому на сотнях мільйонів комбінацій SKU-магазин. Система генерує стабільні, якісні прогнози попиту для кожного товару в кожному магазині — повністю автоматично та у масштабі.
Механізм працює на шести ієрархічних рівнях, поступово переходячи від найагрегованішого до найдетальнішого:
| Рівень | Охоплення |
|---|---|
| Товарна категорія — уся мережа | Найширший сигнал попиту |
| Товарна категорія — регіон | Регіональні тренди категорії |
| Товарна категорія — магазин | Патерни категорії на рівні магазину |
| SKU — уся мережа | Попит на товар по всій мережі |
| SKU — регіон | Поведінка товару на регіональному рівні |
| SKU — магазин | Найдетальніша одиниця прогнозу |
Ця ієрархічна структура є фундаментальною. Коли механізм не може визначити надійну залежність на детальному рівні (наприклад, цінову еластичність для окремого SKU в окремому магазині), він звертається до вищих рівнів ієрархії, де доступно більше даних. Результат — прогноз, який є одночасно деталізованим і статистично стійким.
Мережа зі 100 магазинів і 10 000 SKU генерує один мільйон комбінацій SKU-магазин. Помноживши це на 3–4 роки щоденної історії, один перерахунок прогнозу обробляє гігабайти даних для малих мереж і терабайти — для великих. MySales справляється з цим завдяки паралельній упаковці даних у кілька потоків обробки.
Етап 1: Завантаження та підготовка даних
Конвеєр прогнозування починається із завантаження всіх релевантних даних із системи управління базами даних і файлового сховища MySales (шар оптимізації, що знижує навантаження на базу даних при великих обсягах).
Джерела даних включають:
- Історичні продажі, ціни, знижки, рівні запасів і дані про чеки
- Ієрархію товарів і довідник позицій
- Географічну ієрархію та довідник магазинів
- Зовнішні джерела: погода, макроекономічні показники та ціни конкурентів
Для нових магазинів або нових SKU система доповнює відсутню історію за допомогою аналогових магазинів або товарів. При цьому завжди пріоритетно використовуються фактичні дані про продажі — аналогові дані застосовуються лише для тих періодів, щодо яких відсутня інформація про нову одиницю.
Після завантаження дані групуються в пакети обробки та розподіляються між кількома паралельними потоками (зазвичай від 3 до 9) для одночасного розрахунку.
Етап 2: Очищення продажів і виділення базової лінії
Перш ніж механізм зможе розрахувати тренд і сезонність, необхідно відокремити справжні патерни попиту від шуму, спричиненого змінами цін, знижками, акціями та відсутністю товару на полицях.
Первинне очищення продажів усуває вплив цих факторів із історичного запису. Замість того, щоб повністю відкидати уражені періоди, MySales виокремлює та кількісно оцінює вплив кожного фактора. Це дозволяє зберегти максимальну кількість даних про продажі, що критично важливо в роздрібному середовищі, де часта ротація асортименту залишає мало непорушених періодів.
Періоди зі значними втраченими продажами через відсутність товару або недостатній запас виключаються на кожному етапі аналізу.
Цей підхід до очищення дозволяє надійно оцінювати тренд і сезонність навіть при історії продажів тривалістю від одного року. Якщо прогалини залишаються, механізм заповнює їх даними з вищих рівнів ієрархії прогнозування.
Розрахунок сезонності використовує обидва методи одночасно:
| Метод | Коли застосовується |
|---|---|
| Мультиплікативна сезонність (сезонний індекс) | Сезонна волатильність масштабується разом із загальним трендом |
| Адитивна сезонність | Сезонне відхилення залишається постійним незалежно від тренду |
Система автоматично обирає метод, який найкраще відповідає кожній комбінації. На рівні товарної групи також розраховується сезонність середньої ціни групи — це дозволяє врахувати тенденцію до збігу сезонних піків попиту з вищими середніми цінами.
Розрахунок тренду виконується після видалення впливу ціни, знижки, акцій і сезонності — механізм обчислює загальний тренд зростання або зниження продажів, а також середні та медіанні значення продажів за очищеними даними.
Етап 3: Аналіз факторів впливу та вибір моделі
Маючи чисту базову лінію, механізм переходить до кількісної оцінки впливу кожного зовнішнього фактора на попит.
Аналіз залежностей оцінює зв'язок між продажами та кожним фактором впливу: ціною, знижкою, погодою, макроекономічними показниками (наприклад, курсами валют), ефектами канібалізації та іншими. При аналізі кожного фактора система вибірково видаляє вплив більш домінантних факторів (наприклад, акцій і сезонності), щоб ізолювати справжній ефект.
При аналізі цінової залежності система також оцінює тенденції інфляції або дефляції, щоб очистити історичні ціни від номінальних викривлень.
Кілька факторів аналізуються окремо для низького, середнього та високого сезонів. Наприклад, цінова еластичність морозива суттєво відрізняється взимку і влітку. Механізм автоматично фіксує ці відмінності, формуючи сезонно-специфічні коефіцієнти замість усереднених річних значень.
Потім механізм заповнює дві матриці:
- Матриця історичних предикторів — спостережені значення всіх факторів впливу за історичний період, включаючи похідні показники, такі як відношення ціни поточного періоду до середньої ціни за попередні періоди.
- Матриця майбутніх предикторів — прогнозовані значення кожного фактора, з диференційованим підходом: прості середні або медіани для одних факторів, прогнозні значення для інших, а також введені користувачем дані (плани асортименту, майбутні ціни, акційні календарі) там, де вони доступні.
Кореляційні коефіцієнти розраховуються на основі цих матриць, і механізм автоматично формує кандидатні моделі прогнозування з факторів, що демонструють значущий вплив на продажі.
Тестування та вибір моделі виконується далі. Механізм оцінює як автоматично сформовані, так і заздалегідь налаштовані моделі за точністю відтворення історичних продажів. Під час оцінки виключаються періоди недостатнього запасу та акції з великим впливом. Обирається модель із найкращою історичною точністю.
Етап 4: Генерація та уточнення прогнозу
Після вибору найкращої моделі механізм генерує прогноз для майбутніх періодів. Потім ряд процедур уточнення забезпечує стабільність і надійність результату.
Уточнення після генерації включають:
- Розрахунок мінімальних значень продажів для запобігання нереалістично низьким прогнозам
- Аналіз автокореляції похибки моделі, що використовується для коригування прогнозу на найближчі тижні
- Розрахунок предиктора AutoMult, який (залежно від конфігурації) коригує прогноз на наступні 6 тижнів на основі співвідношення між середнім прогнозом і середніми фактичними продажами за останні 3 тижні
Акційний приріст розраховується наступним кроком. Механізм застосовує коефіцієнти приросту, згенеровані набором нейронних мереж, або використовує дані порівнянних історичних акцій, якщо такі визначені. Приріст адаптується до індивідуальних характеристик кожної комбінації SKU-магазин із застосуванням мінімальних і максимальних обмежень для стабільних результатів щодо товарів з обмеженою акційною історією.
Після розрахунку акційного приросту механізм виконує ребалансування моделі по всіх факторах впливу. Цей крок необхідний, оскільки ефекти ціни та акцій часто сильно корелюють — ребалансування забезпечує внутрішню узгодженість загального акційного прогнозу.
Опціональна функція контролює розподіл акційного прогнозу між магазинами. Якщо акційний прогноз будь-якого магазину відхиляється більш ніж на +/-30% (налаштовується) від середнього по групі, система повертає його в діапазон. Це запобігає ненадійним прогнозам для магазинів з обмеженою історією, де цінова еластичність та інші залежності не могли бути визначені з достатньою впевненістю.
Етап 5: Страховий запас, короткострокові коригування та фінальні результати
Після завершення основного прогнозу механізм розраховує операційні результати, необхідні для поповнення запасів.
Страховий запас розраховується як стандартне відхилення похибки прогнозу відносно історичних продажів. Щоб врахувати сезонні коливання волатильності попиту, прогноз ділиться на три діапазони (високий, середній і низький сезон), і страховий запас розраховується окремо для кожного.
Короткострокове коригування прогнозу уточнює наступні 2 тижні (налаштовується) на основі середніх щоденних продажів за останні 7–14 днів у наявності. Система завантажує дані продажів за останні 28 днів, визначає дні наявності товару та розраховує середні щоденні продажі окремо для акційних і неакційних періодів. Сезонні піки виключаються, а середні значення коригуються на сезонність, ціну, погоду та інші фактори. Результат відображається як предиктор Щоденного коригування.
Додаткові результати фінального етапу:
| Результат | Призначення |
|---|---|
| Коригування основного прогнозу | Враховує введені користувачем ручні корективи |
| Рекомендації щодо ціни | Визначає оптимальні цінові точки для доходу або маржі |
| Оцінка історичного економічного ефекту | Кількісно визначає потенційний приріст від збільшення продажів, виявляє втрачені продажі з невідомих причин та оцінює можливе скорочення запасів |
Спеціальні алгоритми
MySales включає спеціально розроблені алгоритми для двох сценаріїв, де стандартні підходи до прогнозування не справляються.
Нові товари без призначених аналогів. Коли новий товар потрапляє до асортименту і аналог для нього не призначено, механізм використовує продажі середнього товару в межах товарної групи. Ця базова лінія коригується на цінову еластичність групи з урахуванням конкретної ціни нового товару, а також застосовуються додаткові обмеження для забезпечення стабільних і точних результатів.
Розширення дистрибуції. Коли товар розширюється з підмножини магазинів на ширше охоплення, механізм генерує прогнози для магазинів без попередньої історії продажів.
Розглянемо товар, який раніше продавався у 10 із 30 магазинів регіону. На основі сильних показників менеджер категорії вводить його в усі 30 магазинів. Для 20 нових магазинів механізм спирається на динаміку продажів на рівнях SKU-регіон, товарна група-регіон і товарна група-магазин, щоб сформувати прогноз там, де немає жодної магазинної історії.
Повний набір факторів впливу, що використовуються системою, визначається користувачем і може бути налаштований відповідно до конкретного середовища даних і бізнес-вимог кожного ритейлера.
Що це означає для вашого бізнесу
Механізм прогнозування MySales розроблений для усунення ручної роботи та здогадок, що характеризують традиційне планування попиту. Кожен етап конвеєра — від очищення даних до вибору моделі та розрахунку акційного приросту — виконується автоматично та адаптується до специфічних характеристик кожної комбінації SKU-магазин.
Для великих ритейлерів це дає три конкретних результати. По-перше, точність прогнозу підвищується, оскільки механізм оцінює кожен значущий фактор попиту та обирає найкращу модель із сотень кандидатів — те, що жодна аналітична команда не може відтворити вручну у масштабі. По-друге, операційна ефективність зростає, оскільки весь конвеєр, включаючи страховий запас і короткострокові коригування, працює наскрізно без участі людини. По-третє, граничні випадки обробляються системно: запуск нових товарів, розширення дистрибуції та позиції з обмеженою історією отримують спеціально розроблену алгоритмічну обробку замість ad-hoc рішень.
Результат — основа прогнозування, що масштабується разом із вашим бізнесом: від сотень SKU до сотень тисяч — без пропорційного збільшення чисельності плановиків або складності процесів.